Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina

Loading...
Thumbnail Image

Advisor(s)

Co-advisor(s)

Dias Neto, Arilo Cláudio

Committee members

Barreto, Raimundo da Silva
Souto, Eduardo James Pereira
Cristo, Marco Antônio Pinheiro de
Carvalho, Moises Gomes de

Journal Title

Journal ISSN

Volume Title

Publisher

Universidade Federal do Amazonas

Type

Access rights

DOI

Resumo (Portuguese)

Quando as aplicações móveis adquirem recursos do dispositivo (como câmera, reprodutor de mídia e sensores) sem liberá-los da maneira adequada e em tempo hábil, ocorre uma falha chamada vazamento de recursos. Esse tipo de falha pode causar problemas sérios, como degradação de desempenho do dispositivo ou falha do sistema. Este trabalho propõe a abordagem LeakPred para auxiliar desenvolvedores na identificação de componentes que tenham vazamentos de recursos. Um conjunto de seis métricas relacionadas ao tempo de vida dos recursos ou da aplicação foi selecionado para a caracterização dos componentes. Seis técnicas de aprendizado de máquina foram analisadas para identificar componentes com vazamentos a partir dessas métricas. Os resultados sugerem que a abordagem LeakPred, associada com técnicas de classificação, é capaz de identificar vazamento de recursos, sendo que dois modelos, k-Vizinhos Mais Próximos e rede neural profunda, obtiveram, respectivamente, acurácias de 87,84% e 87,75%. A abordagem LeakPred foi comparada com 5 ferramentas do estado da arte, a saber, Android Lint, FindBugs, Infer, Checker Framework e EcoAndroid, superando todas em taxa de identificação de componentes com vazamentos de recursos.

Abstract

When mobile applications acquire device resources (such as camera, media player, and sensors) without releasing them properly and in a timely manner, a failure called resource leak occurs. This type of failure can cause serious problems, such as device performance degradation or system failure. This work proposes the LeakPred approach to assist developers in identifying components that have resource leaks. A set of six metrics related to the lifetime of resources or the application was selected to characterize the components. Six machine learning techniques were analyzed to identify leaky components from these metrics. The results suggest that the LeakPred approach, associated with classification techniques, is capable of identifying resource leaks, with two models, k-Nearest Neighbors and deep neural network, obtaining, respectively, accuracies of 87.84% and 87.75%. The LeakPred approach was compared with 5 state-of-the-art tools, namely, Android Lint, FindBugs, Infer, Checker Framework and EcoAndroid, surpassing all of them in the rate of identification of components with resource leaks.

Description

Controlled term

Sustainable Development Goals (SDG)

Citation

LIMA, Josias Gome. Previsão de vazamento de recursos em aplicações Android usando Aprendizado de Máquina. 2024. 133 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024.

Endorsement

Review

Supplemented By

Referenced By

Creative Commons license

Except where otherwise noted, this item's license is described as Acesso Aberto